## Warning in readLines(rmdCon): ligne finale incomplète trouvée dans
## 'FS_traitements_bdat.Rmd'
Dans ce fichier, les analyses cantonales de la BDAT sont analysées afin appréhender la distribution statistique et géographique des teneurs en carbone organique regroupées en 5 périodes : 1990-1994, 1995-1999, 2000-2004, 2005-2009 et 2010-2014. Les résultats présentés font suite à différents scripts de préparations de données dont la chaîne de traitements générale est consultable à cette adresse
Globalement, le travail est organisé de la manière suivante :
Cette première étape a pour but d’analyser les différences des teneurs en carbone organique pour chacune des périodes de temps analysées. Celles-ci comportent les années 1990-1994;1995-1999;2000-2004;2005-2009 et 2010-2014. Les statistiques descriptives et les courbes de fréquences cumulées sont présentées dans un premier temps. Dans un second temps, des boxplots accompagnés de tests de « significacité » des différences entre les périodes sont mis en oeuvre. Au cours de ces travaux, le regard est porté sur l’emprise nationale mais avec plusieurs niveaux de stratification (régions administratives, zonages climatiques, principales région d’élevage).
Bien présenter l’état des lieux des teneurs pour faciliter l’analyse des évolutions.
La figure 1 présente les courbes de fréquences cumulées des teneurs en carbone organique distribuées pour les 5 périodes. Les courbes de fréquences des 5 périodes présentent la même forme en “S” et s’individualisent juste avant le plateau, présentant une différence affectant les sols riches en teneurs organiques. Sur cette zone, la figure montre un décalage des courbes des périodes 2000-2004, 2005-2009 et 2010-2014 vers des valeurs plus faibles. Parmi ces 3 périodes, la période 2005-2009 est celle qui se décale le plus vers des teneurs plus faible tandis que la période 2010-2014 se rapproche des valeurs de 1990-1994 et 1995-1999, présentant ainsi une inversion de la tendance observée. Ces trois périodes se distinguent clairement des périodes de 1990-1994 et 1995-1999 qui sont rapprochées.
Ces observations mettent en évidence une diminution des teneurs en carbone entre les périodes 1990-1999 et 2000-2009 et une légère augmentation pour la période 2010-2014.
La distribution des teneurs en carbone organique par période est présentée dans la figure 2 et les principales statistiques sont présentées dans le tableau ci-dessus. La tendance de diminution des teneurs observée dans la figure 1 est également constatée dans ces deux éléments. La période 2000-2004 montre la valeur médiane la plus faible avec une valeur de 13.81 g/kg. Les valeurs les plus importantes sont observées pour les périodes 1990-1994 et 1995-1999 avec respectivement des teneurs en carbone organique de 14.06 et 14.53. En terme de tendance, on remarque une augmentation des teneurs pour la période 2010-2014 avec une médiane des valeurs de . Ces évolutions sont très légèrement marquées sur la figure 2 où la ligne noire représente XX. Celle-ci baisse légèrement après la période 1995-1999.
13.81revoir avec le 1014
| Min. | 1st Qu. | Median | Mean | 3rd Qu. | Max. | |
|---|---|---|---|---|---|---|
| 9094 | 4.58 | 11.04 | 14.06 | 16.03 | 18.52 | 65.58 |
| 9599 | 5.23 | 11.15 | 14.53 | 16.27 | 18.9 | 94.85 |
| 0004 | 4.6 | 10.76 | 13.81 | 15.61 | 18.01 | 90.23 |
| 0509 | 3.78 | 10.91 | 13.96 | 15.44 | 18 | 78.37 |
| 1014 | 4.7 | 11 | 14 | 15.7 | 18.27 | 63.75 |
Les résultats du test de Wilcoxon présentés ci-dessous montrent que les différences globales entre les périodes sont significatives entre les périodes [1990-1994 et 2000-2004], [1995-1999 et 2000-2004], [1995-1999 et 2005-2009] et [2000-2004 et 2010-2014]. Ces résulats sont à prendre avec mesure, car réalisé sur l’ensemble des cantons. Des résultats de significacité seront présentés plus loin, basés sur les analyses à l’échelle des cantons. Ils montrent toutefois que…
pairwise.wilcox.test(melted.bdat[,"value"], melted.bdat[,"annees"])
##
## Pairwise comparisons using Wilcoxon rank sum test
##
## data: melted.bdat[, "value"] and melted.bdat[, "annees"]
##
## 9094 9599 0004 0509
## 9599 0.29250 - - -
## 0004 0.04997 1.1e-05 - -
## 0509 0.29250 0.00047 0.75842 -
## 1014 0.77627 0.11941 0.04997 0.29250
##
## P value adjustment method: holm
Bien que l’hétérogénéité spatiale et temporelle des analyses de la BDAT soient assez importante (certaines zones souffrent de manque de données), la cartographie des teneurs en carbone organique (figure XX) montre une distribution spatiale organisée et globalement similaire pour les différentes périodes analysées. De façon générale, cette organisation suit la lithologie du pays avec de fortes teneurs en carbone organique présentes dans les zones de socles et de piemond et des valeurs plus faibles dans les principaux bassins sédimentaires (parisien et aquitain).
Dans cette partie, les facteurs contrôlant la distribution spatiale des teneurs en carbone organique des différentes périodes est analysée. Le travail est dans un premier porté par une analyse en composante principale pour appréhender les relations entre les facteurs et dans un deuxième temps,
# Sélection des variables de travail
Rcovar <- c("ttemp_an","jfroids_an","jchauds_an","hpluie_an","ugbta1988","p_prairie1970","p_prairie1979","p_prairie1988","p_sth1970","p_sth1979","p_sth1988","p_sfp1970","p_sfp1979","p_sfp1988","p_mf1970","p_mf1979","p_mf1988","p_c1970","p_c1979","p_c1988","altimean","classe_C")#,"grdcultures1988","elevagehorsol1988","polyelevage1988","clc21_90","clc22_90","clc23_90","clc24_90","clc31_90")
vNames <- c("corgox_medequi9094",Rcovar)
#vNames <- c("corgox_medequi9094","corgox_medequi9599","corgox_medequi0004","corgox_medequi0509","corgox_medequi1014",Rcovar)
# Lecture de la table sans les NA
lvNames <- length(vNames)
dcast.bdat_variables <- dcast.bdat[complete.cases(dcast.bdat[,vNames[-lvNames]]),vNames[-lvNames]]
# Création d'une classe de valeur pour le carbone
classe_valeur <- classIntervals(dcast.bdat_variables[vNames[1]][[1]],n=4,style="quantile",digits=1,na.rm=TRUE)[[2]]
dcast.bdat_variables[,"classe_C"] <- cut(dcast.bdat_variables[vNames[1]][[1]],breaks = data.frame(classe_valeur)[,1],include.lowest=T)
res.pca <- PCA(dcast.bdat_variables[,!names(dcast.bdat_variables) %in% "classe_C"], graph = FALSE)
#fviz_screeplot(res.pca, ncp=10)
pca <- fviz_pca_var(res.pca, axes = c(1,2),col.var="contrib") +
scale_color_gradient2(low="white", mid="blue",
high="red", midpoint=50) + theme_minimal()
pca
fviz_pca_biplot(res.pca, label="var",habillage=dcast.bdat_variables$classe_C,
addEllipses=FALSE, ellipse.level=0.95, ggtheme = theme_minimal())
La figure 3 présente la distribution des variables sur les axes 1 et 2 de l’ACP. Environ 73 pourcent de l’information est contenu dans ces deux premiers axes. Description de la distribution des variables dans l’espace des ACP :
Dans cet espace, la variable carbone est peu contributrice et n’est pas nettement liée à un axe (1 ou 2). Il faudra regarder la répartition de ces variables sur les axes 1-3 et 2-3.
La représentation des échantillons classés par teneurs en carbone organique permet de visualiser le lien entre les variables et …(mal dit).
Bien spécifier que GBM est utilisé juste pour appréhender l’importance et le comportement des variables explicatives.
L’application de ces modèles demande une bonne configuration de leurs paramètres. Pour déterminer la meilleur combinaison de paramètres, la fonction train du package caret est utilisée.
Pour ce travail, rajouter la topographie (altitude moyenne par canton) + l’argile Faire une boucle et présenter les graphs d’importances pour les différentes périodes de temps analysées. Si il n’y a pas de différences dans l’ordre d’importance des variables, on pourra en conclure que la stratification est pertinente (pourquoi?)
##### Sélection des variables explicatives (revoir cette sélection, se baser sur un tableau à charger en fonction des périodes à analyser)
Rcovar <- c("hpluie_an","jchauds_an","jfroids_an","ttemp_an","altimean","p_sfp1988","polyelevage1988","p_prairie1970","p_prairie1979","p_prairie1988","p_sfp1970","p_sfp1979","p_mf1988","p_sth1970","p_sth1979","p_c1988","p_c1970","p_c1979","p_sth1988","p_mf1970","p_mf1979","p_mf1988","clc31_90","clc21_90","clc22_90","clc23_90","clc24_90","clc31_90","ugbgrani_sau2010","ugbta1988")
type <- c("climat","climat","climat","climat","topo","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup","occup")
vNames <- c("corgox_medequi9599",Rcovar) #9599 car meilleure représentation spatiale
#####
# Sélection du jeu de données
dcast.bdat_gbm <- dcast.bdat[complete.cases(dcast.bdat[,vNames]),vNames] # Pour supprimer les NA
datax <- dcast.bdat_gbm[, vNames[-1]]
datay <- dcast.bdat_gbm[, vNames[1]]
#tuneGrid <- expand.grid(.interaction.depth = c(1,5,9,13),.n.trees = c(150,500,1000,1500),.shrinkage = 0.05)
#trControl <- trainControl(method = "cv",p=0.8)
#tuneGrid <- expand.grid(interaction.depth = c(1, 5, 9),n.trees = (1:30)*10,shrinkage = 0.1,n.minobsinnode = 20)
#registerDoMC(4) # Nombre de processeurs activés
#mgbm <- train(x = datax , y = datay,method="gbm",tuneGrid = tuneGrid,trControl = trControl,verbose = F,keep.data = T)
#plot(varImp(mgbm), top = 10)
# Stratification par zonage des grandes régions d'élevage
p <- list()
for(i in levels(dcast.bdat$zonage_simple)){
print(i)
dcast.bdat_zonage <- dcast.bdat[complete.cases(dcast.bdat[,c(vNames,"zonage_cplt")]) & dcast.bdat$zonage_simple %in% i,vNames] # Pour supprimer les NA
datax <- dcast.bdat_zonage[, vNames[-1]]
datay <- dcast.bdat_zonage[, vNames[1]]
#tuneGrid <- expand.grid(.interaction.depth = c(1,5,9,13),.n.trees = c(150,500,1000,1500),.shrinkage = 0.05)
trControl <- trainControl(method = "cv",p=0.9)
tuneGrid <- expand.grid(interaction.depth = c(1, 5, 9),n.trees = (1:50)*10,shrinkage = 0.1,n.minobsinnode = 20)
mgbm <- train(x = datax , y = datay,method="gbm",tuneGrid = tuneGrid,trControl = trControl,verbose = F,keep.data = T)
varimport <- varImp(mgbm)
varimport <- as.data.frame(varimport[[1]])
varimport$variable <- rownames(varimport)
colnames(varimport) <- c("importance","variable")
#varimport <- varimport[order(varimport$importance,decreasing = TRUE),]
varimport$variable <- reorder(varimport$variable, varimport$importance)
varimport <- varimport[1:10,]
varimport$type <- gsub2(Rcovar,type,varimport$variable)#Ajout du type de facteurs
p[[i]] <- ggplot(varimport, aes(x = variable, y = importance,fill=type)) +
geom_bar(stat = "identity") + coord_flip() + labs(title=i)
}
do.call(grid.arrange,c(p,list(ncol=2,nrow=3))) #Figure finale
# Voir pour rajouter une analyse avec cubist
tuneGridcubist <- expand.grid(.committees = c(10,50,100),.neighbors = c(1,5,9))
mcubist <- train(x = datax , y = datay,"cubist",tuneGrid = tuneGridcubist,trControl = trControl,verbose = F,keep.data = T)
cubistimportVar <- varImp(mcubist)
cubistimportVar$variable <- rownames(cubistimportVar)
colnames(cubistimportVar) <- c("importance","variable")
ccubist <- ggplot(MeanimportVar, aes(x = variable, y = importance, fill = type)) +
geom_bar(stat = "identity") + coord_flip()
plot(ccubist)
plot(varImp(mcubist), top = 10)
print(mcubist$usage)
xlabel <- "Pluie annuelle (mm)"
ylabel <- "Carbone organique (g/kg)"
period <- c("9094","9599","0004","0509","1014") #
colors <- brewer.pal(5,"Set1")
p <- list()
for(i in period){
c_period <- paste("corgox_medequi",i,sep="")
dataplot <- dcast.bdat[complete.cases(dcast.bdat$classe_p_prairie2000) & complete.cases(dcast.bdat$hpluie_an) & complete.cases(dcast.bdat[,c_period]),]
p[[i]] <- ggplot(dataplot, aes_string("hpluie_an",c_period)) +
geom_point(aes(colour = factor(classe_p_prairie2000)),alpha = 0.8, size = 1) +
#geom_point(colour="grey10", alpha = 0.1,size = 1)+
scale_color_manual(values=colors,name="% de prairie (2000)")+
scale_x_continuous(xlabel)+scale_y_continuous(ylabel)+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))+ labs(title=i)
}
#do.call(grid.arrange,c(p,list(ncol=2,nrow=3)))
do.call(grid_arrange_shared_legend,c(p,list(nrow=2,ncol=3,position="bottom")))
## TableGrob (2 x 1) "arrange": 2 grobs
## z cells name grob
## 1 1 (1-1,1-1) arrange gtable[arrange]
## 2 2 (2-2,1-1) arrange gtable[guide-box]
xlabel <- "Altitude moyenne (m)"
p <- list()
for(i in period){
c_period <- paste("corgox_medequi",i,sep="")
dataplot <- dcast.bdat[complete.cases(dcast.bdat$classe_p_prairie2000) & complete.cases(dcast.bdat$altimean) & complete.cases(dcast.bdat[,c_period]),]
p[[i]] <- ggplot(dataplot, aes_string("altimean",c_period)) +
geom_point(aes(colour = factor(classe_p_prairie2000)),alpha = 0.8, size = 1) +
#geom_point(colour="grey10", alpha = 0.1,size = 1)+
scale_color_manual(values=colors,name="% de prairie (2000)")+
scale_x_continuous(xlabel)+scale_y_continuous(ylabel)+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))+ labs(title=i)
}
#do.call(grid.arrange,c(p,list(ncol=2,nrow=3)))
do.call(grid_arrange_shared_legend,c(p,list(nrow=2,ncol=3,position="bottom")))
## TableGrob (2 x 1) "arrange": 2 grobs
## z cells name grob
## 1 1 (1-1,1-1) arrange gtable[arrange]
## 2 2 (2-2,1-1) arrange gtable[guide-box]
Ici, conclure en disant que l’analyse des teneurs france entière et des dynamiques n’est pas facile en raison de :
Ici, expliquer rapidement cette stratification et présenter rapidement la carte des types de climat.
xlabel <- "Carbone organique (g/kg)"
ylabel <- "Fréquence"
colour <- brewer.pal(5,"Set1")#wes_palette("Rushmore",nperiod,type="continuous")
melted.bdat_clim <- melted.bdat[complete.cases(melted.bdat$typo_clim) & complete.cases(melted.bdat$annees),]
cdf_clim <- ggplot(melted.bdat_clim, aes(x=value))+
facet_wrap(~typo_clim)+
stat_ecdf(aes(colour=annees))+
scale_color_manual(values=colour,
name="Périodes")+
scale_x_continuous(xlabel)+scale_y_continuous(ylabel)+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))
cdf_clim
Pour le climat, on pourra s’intéresser à quelques zones, en fonction de la densité des données que nous avons à disposition. Voir la figure 6 présente les courbes de fréquence cumulées pour les différents types de climats.
ylim1 <- boxplot.stats(melted.bdat_clim$value)$stats[c(1, 5)]
boxplot_clim <- ggplot(melted.bdat_clim) +
geom_boxplot(aes(x=annees,y=value),outlier.shape = NA,outlier.size=NA)+
facet_wrap(~typo_clim,scales="free")+
#scale_color_manual(values=colors,name="Années")+
#geom_smooth(aes(x=as.integer(annees),y=value,color=nom_region,fill=nom_region),method=loess)+
scale_x_discrete("Périodes")+scale_y_continuous("Teneur en carbone (g/kg)")+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))+
coord_cartesian(ylim = ylim1*1.05)
boxplot_clim
Voir aussi pour rajouter la figure 8. Sur cette figure, revoir l’axe Y…
Egalement, ce concentrer sur les zones où les données sont importantes. On peut supprimer les zones de hautes de montagnes… Test également en fonction des différentes régions d’élevage
Regard sur les courbes de fréquences cumulées avec la figure 9
melted.bdat_regelevage <- melted.bdat[complete.cases(melted.bdat$zonage_cplt),]
#melted.bdat_regelevage <- melted.bdat_regelevage[melted.bdat_regelevage$zonage_simple != "H",]
cdf_regelevage <- ggplot(melted.bdat_regelevage, aes(x=value))+
facet_wrap(~zonage_cplt)+
stat_ecdf(aes(colour=annees))+
scale_color_manual(values=colors,
name="Années")+
scale_x_continuous(xlabel)+scale_y_continuous(ylabel)+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))
cdf_regelevage
Ci-dessous, on regarde la répartition des teneurs en C pour les différentes périodes et par les principales régions d’élevage.
#ylim1 <- boxplot.stats(melted.bdat$value)$stats[c(1,5)]
ylim1 <- c(min(melted.bdat_regelevage$value,na.rm=TRUE),quantile(melted.bdat$value,0.99,na.rm=TRUE))
boxplot_reg_elevage <- ggplot(melted.bdat_regelevage) +
geom_boxplot(aes(x=annees,y=value,col=annees),outlier.shape = NA,outlier.size=NA)+
facet_wrap(~zonage_simple,scales="free")+
scale_color_manual(values=colors,name="Années")+
#geom_smooth(aes(x=as.integer(annees),y=value,color=nom_region,fill=nom_region),method=loess)+
scale_x_discrete("Années")+scale_y_continuous("Teneur en carbone (g/kg)")+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))+
coord_cartesian(ylim = ylim1*1.05)
boxplot_reg_elevage
Rajouter des résumés de statistiques pour mieux identifier les zones impactées.
for(i in id_class){
melted.bdat_ra <- melted.bdat[complete.cases(melted.bdat[,i]),]
names(melted.bdat_ra)[names(melted.bdat_ra)==i] <- "classe"
p <- ggplot(melted.bdat_ra) +
geom_boxplot(aes(x=annees,y=value,col=classe),notch=TRUE)+
#scale_color_manual(name="Années")+
scale_x_discrete("Périodes")+scale_y_continuous("Teneur en carbone (g/kg)")+
theme(plot.title = element_text(size = 14, face = "bold"),
text = element_text(size = 12),
axis.title = element_text(face="bold"),
axis.text.x=element_text(size = 11))
p
ggsave(p,file = paste("boxplotbdat_",i,".png",sep=""), width = 15, height = 10)
}
# Ici, voir pour rajouter année+zonage_simple ou année+climato ou année+région
bdatsummary_regelevage <- apply(melted.bdat["value"],2, function(x) tapply(x, list(melted.bdat[,"zonage_simple"],melted.bdat[,"annees"]),summary))
bdatsummary_regelevage <- data.frame(bdatsummary_regelevage[[1]])
bdatsummary_regelevage <- lapply(bdatsummary_regelevage, do.call, what = rbind)
names(bdatsummary_regelevage) <- period
# Revoir pour construire une table plus lisible
#pander(bdatsummary_regelevage,caption = "Statistiques descriptives par période des teneurs en CO pour les principales régions d'élevage")
# Ici, voir pour rajouter année+zonage_simple ou année+climato ou année+région
bdatsummary_regadmin<- apply(melted.bdat["value"],2, function(x) tapply(x, list(melted.bdat[,"nom_region"],melted.bdat[,"annees"]),summary))
bdatsummary_regadmin <- data.frame(bdatsummary_regadmin[[1]])
bdatsummary_regadmin <- lapply(bdatsummary_regadmin, do.call, what = rbind)
names(bdatsummary_regadmin) <- period
# Revoir pour construire une table plus lisible
#pander(bdatsummary_regadmin,caption = "Statistiques descriptives par période des teneurs en CO pour les différentes régions administratives")
# voir ce type de graphique...
# http://www.sthda.com/english/wiki/ggpubr-r-package-ggplot2-based-publication-ready-plots#at_pco=smlwn-1.0&at_si=5881c5fa70a2cae1&at_ab=per-2&at_pos=0&at_tot=1
# Voir les graphiques de "différence" réalisés durant le M1
# Rajouter les types de climat ou autre niveau de stratification pour voir l'influence de ces régions sur les pertes
# Voir également pour rajouter ces données sur une table au format melt
plot(dcast.bdat$corgox_med9599,dcast.bdat$varcorgox_med0004_9599)
plot(dcast.bdat$corgox_med9599,dcast.bdat$diffcorgox_med0004_9599)
# Calculer les évolutions
varcorgox_med0004_9599
varcorgox_med0509_9599
varcorgox_med0509_9094
varcorgox_med0004_9094
diffcorgox_med0004_9599
diffcorgox_med0509_9599
diffcorgox_med0509_9094
diffcorgox_med0004_9094
test <- dcast.bdat[,c("corgox_med9094","corgox_med9599","corgox_med0004","corgox_med0509")]
ggpairs(test)
Dans cette partie, des cartes peuvent être produites selon plusieurs arguments (reste à définir) :
# Paramètres #################
tablecarto <- "dm_vecteurs.canton" #Nom de la table utilisée pour la cartographie (table postgis)
period <- c("9094","9599","0004","0509","1014") #
variable <- "corgox_medequi"
variablecarto <- paste(variable,period,sep="")#variables à cartographier
nclasse <- 5
style_classe <- "quantile"#Nombre de classes de valeurs pour la cartographie
couleur <- "Spectral" #Nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes
l_variable <- "Teneur en carbone organique (g/kg)" #label de la variable
nomfichier <- "corgoxmed_period_fr" #Nom du fichier
carto(dsn,tablecarto,variablecarto,nclasse,style_classe,couleur,l_legend,repsortie,nomfichier,dept=FALSE,reg=FALSE,nrowlayout=1,ncollayout=5,position="bottom",ggsaveheight=5,ggsavewidth=20)
# Paramètres #################
tablecarto <- "dm_vecteurs.canton" #Nom de la table utilisée pour la cartographie (table postgis)
period <- c("14","15","24","25")#
variable <- "diff"
variablecarto <- paste(variable,period,sep="")#variables à cartographier
nclasse <- 5 #Nombre de classes de valeurs pour la cartographie
style_classe <- "quantile"
couleur <- "Spectral" #Nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes
l_variable <- "Teneur en carbone organique (g/kg)" #label de la variable
nomfichier <- "corgoxmed_period" #Nom du fichier de sortie (.png)
cartoperiod(dsn,tablecarto,variablecarto,nclasse,style_classe,couleur,l_legend,repsortie,nomfichier,dept="37",reg=FALSE)
# Stratifier les plots par les régions et autres facteurs (voir pour la classification climatique)
plot(dcast.bdat$hpluie_an,dcast.bdat$corgox_medequi9094)
plot(dcast.bdat$p_sth2000,dcast.bdat$corgox_medequi9094)
plot(dcast.bdat$hpluie_an,dcast.bdat$corgox_medequi9094)
# Voir le développement de ce type de graphique
# Relation avec les hauteurs de pluie
ggplot(dcast.bdat, aes(hpluie_an, corgox_medequi9094,shape=factor(classe_p_prairie2000))) +
geom_point(aes(colour = factor(classe_p_prairie2000)), size = 4) +
geom_point(colour="grey10", size = 1.5)
# Relation avec l'altitude
ggplot(dcast.bdat, aes(ttmean, corgox_medequi9094,shape=factor(classe_p_prairie2000))) +
geom_point(aes(colour = factor(classe_p_prairie2000)), size = 4) +
geom_point(colour="grey10", size = 1.5)
Même démarche que boxplot_clim mais avec les régions d’élevage